随心写建高椄

梦江南

一、 萌芽与符号主义阶段（1950年代–1980年代）

梦江南

核心特征：以逻辑推理和知识驱动为主，即“基于规则的人工智能”。通过人工编写逻辑规则和知识库（专家系统）让机器进行符号推理，在早期逻辑推理、定理证明和简单决策中表现出色。

梦江南

代表技术：逻辑理论家（Logic Theorist）、感知机（Perceptron）雏形、专家系统（如MYCIN、XCON）。

梦江南

局限：规则编写成本极高，泛化能力差，无法处理复杂、非结构化的现实问题，随着问题复杂度的增加，逐渐遭遇“第一次AI寒冬”。

梦江南

二、 统计机器学习阶段（1980年代–2010年代）

梦江南

核心特征：从“知识驱动”转向“数据驱动”。通过算法从数据中自动学习统计规律，减少对人工规则的依赖，泛化能力显著增强。

梦江南

代表技术：支持向量机（SVM）、决策树、朴素贝叶斯、随机森林，以及早期的神经网络（如反向传播BP算法）。

梦江南

局限：依赖人工特征工程，模型结构较浅，对大规模数据和复杂任务的拟合能力有限，在图像和语音等复杂任务上表现受限。

梦江南

三、 深度学习阶段（2010年代–2020年代初期）

梦江南

核心特征：以多层神经网络（深度神经网络）为代表，实现“端到端”学习，特征提取与规则学习合二为一。得益于大数据、GPU算力的爆发，深度学习在图像识别、语音识别、自然语言处理等单点任务上取得突破性进展，甚至超越人类水平。

梦江南

代表技术：卷积神经网络（CNN，如AlexNet、ResNet）、循环神经网络（RNN/LSTM）等。

梦江南

局限：多为“单点优化”的窄人工智能（Narrow AI），模型通用性差，需要大量标注数据，且缺乏跨领域的泛化能力。

梦江南

四、 大模型阶段（2020年代–至今）

梦江南

核心特征：基于Transformer架构，依赖大规模预训练与超大算力支持。模型参数规模从数亿跃升至数万亿，具备“涌现能力”（Emergent Abilities），实现了从“单点任务”到“通用任务”的跨越，展现出跨模态（文本、图像、语音）和跨领域的通用智能（AGI雏形）。

梦江南

代表技术：GPT系列、BERT、Gemini等大语言模型（LLM）。

梦江南

局限：高算力消耗、黑箱特征、存在“幻觉”问题，且对数据和能源的依赖度极高。

梦江南

五、 智能体与具身智能阶段（探索中）

梦江南

核心特征：AI从“被动回答”向“主动执行”演进。智能体（Agent）结合大模型的认知与规划能力，具备自主分析、调用工具、执行复杂多步骤任务的能力；具身智能（Embodied AI）则进一步将智能体与物理世界结合，实现与环境的感知和交互。

梦江南

代表方向：软件层面的智能体（如自动执行办公任务的AI助手）与硬件结合的具身智能（如能完成物理劳动的机器人）。

梦江南

总体而言，AI的发展脉络是从“规则驱动”到“统计驱动”，再到“数据与算力驱动”，最终迈向“通用智能与自主执行”。